· ·，fMr)T，
. I= (I, I, . . . , 1)T,D = PI, L =D-P，P表示上述MXM阶相似矩阵，Var (f；)表示第r个故障特征的方差，需要说明的是， 上述1为均值化处理后得到的特征，这样可以避免发生由于某些维度数据差异很大而主导 近邻图的构造的现象。
[0087] 按照上述N个拉普拉斯分值中每个拉普拉斯分值的大小顺序，相应地对N个故障 特征进行排序，得到待选故障特征子集S。
[0088] 从待选故障特征子集S中挑选出满足第一筛选条件的一个故障特征，并将该故障 特征确定为第一候选故障特征子集，其中，第一筛选条件具体为：
[0089] max[I (sk；T)]；
[0090] 其中，k= l，2，...，N，I(sk;T)表示故障特征&与目标故障类型T之间 的相关性。
[0091] 将第一候选故障特征子集确定为当前候选故障特征子集Sm i，其中，m = 2, 3,...， 或N ;
[0092] 将当前候选故障特征子集Sni i中的故障特征从待选故障特征子集S中剔除，得到 剔除后待选故障特征子集S-Sni 1;
[0093] 从剔除后待选故障特征子集S-Sni i中挑选出满足第二筛选条件的一个故障特征， 并将该故障特征合并至当前候选故障特征子集Sni i，得到最新候选故障特征子集，第二筛选 条件为基于故障特征与目标故障类别之间的相关性以及故障特征之间的相关性得到的筛 选条件，第二筛选条件具体为：
[0094]
[0095] 其中，m = 2，...，N，I(st;T)表示故障特征s ,与目标故障类型T之间的相关性， I (st;s k)表示故障特征St与故障特征s 间的相关性。
[0096] 将最新候选故障特征子集确定为当前候选故障特征子集，并转至上述特征剔除步 骤中，直到最新候选故障特征子集中的故障特征的数量为N，由此得到N个候选故障特征子 集，分别SSpS2、…、sN。
[0097] 利用SVM分类算法，对上述N个候选故障特征子集中的每一个候选故障特征子集 的分类正确率进行测试，相应地得到N个分类正确率；将N个分类正确率中数值最大的分类 正确率所对应的候选故障特征子集确定为最优故障特征子集。
[0098] 本发明实施例还公开了一种开关柜故障特征选择装置，参见图3所示，该装置包 括：
[0099] 特征提取器31，用于从发生故障的开关柜中提取出故障特征集，故障特征集包括 M个样本，每个样本均包括N个故障特征，其中，M和N均为正整数；
[0100] 特征排序器32,用于基于故障特征重要程度的排序原则，对故障特征集的N个故 障特征进行排序，得到已排序的待选故障特征子集；
[0101] 特征筛选器33,用于基于mRMR准则，并利用增量搜索法，对待选故障特征子集进 行筛选，得到N个候选故障特征子集；
[0102] 特征分析器34,用于计算N个候选故障特征子集中每一个候选故障特征子集的分 类正确率，将分类正确率最大的候选故障特征子集确定为开关柜的最优故障特征子集。
[0103] 本发明实施例中，开关柜故障特征选择装置包括特征提取器、特征排序器、特征筛 选器和特征分析器。其中，特征提取器可对发生故障的开关柜进行特征集提取处理，得到故 障特征集；特征排序器则可基于故障特征重要程度的排序原则，对故障特征集的N个故障 特征进行排序；而特征筛选器则可基于mRMR准则，并利用增量搜索法，对排序后得到的待 选故障特征子集进行筛选，得到N个候选故障特征子集；最后利用特征分析器，对上述N个 候选故障特征子集中的每一个候选故障特征子集进行分类正确率的计算，并将分类正确率 最大的候选故障特征子集确定为开关柜的最优故障特征子集。
[0104] 由上可见，本发明实施例通过特征排序器，事先基于故障特征重要程度的排序原 贝1J，对故障特征集中的故障特征进行排序，从而实现了故障特征的降维，也由此大大降低了 后续筛选等过程的计算量。而特征筛选器则可基于mRMR准则，并利用增量搜索法，对排序 后得到的待选故障特征子集进行筛选，得到了 N个候选故障特征子集，由于是基于mRMR准 则对待选故障特征子集进行筛选的，所以筛选后得到的N个候选故障特征子集满足了最大 相关和最小冗余的特性要求，从而有效地减少了故障特征样本中的噪音成分，进一步降低 了特征维数，提高了筛选的效果，进而提高了后续通过特征分析器得到的最优故障特征子 集与发生故障的实际原因之间的吻合度，并进一步减少了后续的计算量。综上可见，本发明 实施例实现了对开关柜发生故障时相应的故障特征进行准确有效的识别，方便了后续的诊 断维修工作。
[0105] 本发明实施例公开了一种具体的开关柜故障特征选择装置，参见图4所示，相对 于上一实施例，本实施例对技术方案作了进一步的说明和优化。具体如下：
[0106] 本实施例中，特征分析器34具体可以包括SVM分类器341和最优故障特征获取器 342 ;其中，
[0107] SVM分类器341，用于利用SVM分类算法，对N个候选故障特征子集中的每一个候 选故障特征子集的分类正确率进行测试，相应地得到N个分类正确率；
[0108] 最优故障特征获取器342,用于将N个分类正确率中数值最大的分类正确率所对 应的候选故障特征子集确定为最优故障特征子集，并输出最优故障特征子集。
[0109] 进一步的，本实施例中特征排序器32具体可以包括：
[0110] 近邻图构造单元321，用于利用M个样本中每个样本的特征向量，构造相应的近邻 图；
[0111] 相似矩阵计算单元322,用于计算近邻图的MXM阶相似矩阵；
[0112] 系数计算单元323,用于利用MXM阶相似矩阵，计算故障特征集的N个故障特征中 每个故障特征的重要程度系数；
[0113] 特征排序单元324,用于根据每个故障特征的重要程度系数的大小顺序，对故障特 征集的N个故障特征进行排序，得到待选故障特征子集。
[0114] 其中，上述系数计算单元具体可以为：利用MXM阶相似矩阵，计算故障特征集的N 个故障特征中每个故障特征的拉普拉斯分值，相应地得到N个拉普拉斯分值的拉普拉斯分 值计算单元；上述特征排序单元具体可以为：按照N个拉普拉斯分值中每个拉普拉斯分值 的大小顺序，相应地对N个故障特征进行排序，得到待选故障特征子集的排序单元。
[0115] 另外，本实施例中特征筛选器33具体包括：
[0116] 第一筛选单元331，用于从待选故障特征子集中挑选出满足第一筛选条件的一个 故障特征，并将该故障特征确定为第一候选故障特征子集，第一筛选条件为基于故障特征 与目标故障类型之间的相关性得到的筛选条件；
[0117] 第一确定单元332,用于将第一候选故障特征子集确定为当前候选故障特征子 集；
[0118] 特征剔除单元333,用于将当前候选故障特征子集中的故障特征从待选故障特征 子集中剔除，得到剔除后待选故障特征子集；
[0119] 第二筛选单元334,用于从剔除后待选故障特征子集中挑选出满足第二筛选条件 的一个故障特征，并将该故障特征合并至当前候选故障特征子集，得到最新候选故障特征 子集，第二筛选条件为基于故障特征与目标故障类别之间的相关性以及故障特征之间的相 关性得到的筛选条件；
[0120] 第二确定单元335,用于将最新候选故障特征子集确定为当前候选故障特征子集， 并将该当前候选故障特征子集输出至特征剔除单元，直到第二筛选单元得到的最新候选故 障特征子集中的故障特征的数量为N。
[0121] 进一步的，本发明实施例中开关柜故障特征选择装置还可以包括显示器35,用于 对最优故障特征子集进行显示，从而方便相关技术人员对数据进行查看。
[0122] 为了让相关技术人员或负责人及时地了解开关柜的故障特征，本实施例中开关柜 故障特征选择装置还可以进一步包括数据发送器36,用于将包含有最优故障特征子集的数 据包发送至目标终端。其中，目标终端包括智能移动终端或台式计算机。上述智能移动终 端具体可以包括智能手机、平板